Как постоянная память снижает расходы корпоративных вычислительных систем для автономных агентов, работающих со сложными библиотеками документации?
Агентам, обрабатывающим корпоративные правила, руководства, тикеты и код, приходится преодолевать разрозненные базы знаний, из-за чего стандартные методы поиска оказываются дорогими и ненадежными, поскольку контекст приходится постоянно восстанавливать с нуля. 2026-09-04 в нашем архиве материал «MAGG Framework Fixes Agent Memory Degradation» показал на бенчмарке SciERC, что структура MAGG повысила показатель strict triple F1 на 47% и mapped triple F1 на 51% по сравнению с неуправляемой плоской вставкой, как отмечалось в наших предыдущих публикациях. Продолжая эту структурную эволюцию, OpenWiki сформировал синтетическую библиотеку страховой документации из 111 лонгридов в единую вики-систему.
Компиляция постоянной памяти для мультисистемных запросов
Когда задачи охватывают несколько источников информации, стандартные инструменты ключевого поискового запроса вынуждают языковые модели раз за разом собирать воедино фрагментированные куски, что приводит к серьезной финансовой нагрузке на бюджеты токенов и API-вызовы. Для оценки альтернативных архитектур разработчики протестировали OpenWiki как инструмент командной строки (CLI) с открытым исходным кодом на базе Deep Agents, который создает постоянные вики-системы со ссылками на исходные материалы. При решении задач, требующих установления связей между различными источниками, агент, использующий OpenWiki в качестве уровня памяти, достиг пятикратного роста точности по сравнению с агентом, полагающимся исключительно на инструменты grep.
Каждое утверждение в OpenWiki опирается на конкретное заявление — тезис, привязанный к поддерживающим строкам источника и их хэшу. При изменении этих исходных строк хэш меняется, что позволяет OpenWiki выявлять затронутые утверждения без обращения к модели. Такой детерминированный поиск устаревших данных экономит бюджет токенов и гарантирует, что на подтверждение, пересмотр или отзыв модели отправляются только измененные утверждения. Каким образом графы структурных свидетельств меняют экономическое уравнение агентного поиска, когда регламенты постоянно обновляют или заменяют друг друга?
Графы свидетельств и снижение затрат на правильный ответ
Внедрение графа свидетельств помогает агентам возвращаться по вики-системе к подтверждающим данным, превращая цитаты и ссылки на документы в явные ребра графа, по которым агент может перемещаться. По сравнению с чистой вики-системой, этот дополнительный уровень удвоил стабильность цитирования агентом одних и тех же доказательств, повысил точность на 27% и сократил стоимость одного корректного ответа на 58%.
По сравнению с вики-системой, этот показатель удвоил стабильность цитирования агентом одних и тех же доказательств, повысил точность на 27% и сократил стоимость одного корректного ответа на 58%.
Подобный прирост эффективности критически важен в сферах, где действующие инструкции регулярно отменяют предыдущие версии. Однако для простых поисковых задач агент без памяти продемонстрировал такую же точность и более высокую скорость работы по сравнению с агентом, оснащенным памятью. Следовательно, организациям следует внедрять постоянную скомпилированную память выборочно — для повторяющихся задач многоисточникового анализа, а не применять ее повсеместно во всех операционных процессах.
Архитектуры постоянной памяти переносят расход токенов с рутинной реконструкции контекста на целевые обновления. По мере масштабирования развертывания автономных агентов на предприятиях управление памятью через скомпилированные вики-базы и верифицируемые графы свидетельств обеспечивает необходимый уровень структурного контроля для сохранения прогнозируемых затрат на вычисления.
Где подвох
Усложнение архитектуры агентов за счет внешней памяти снижает затраты на вычисления, но на элементарных поисковых задачах агент без памяти работает быстрее при той же точности. Под капотом постоянная вики-система опирается на хэширование строк источников, чтобы отправлять модели только измененные данные и не жечь токены вхолостую. Баланс между экономией вычислений и скоростью ответов определяет границы применения графов свидетельств в реальных операциях. Пятикратный рост точности при сопоставлении источников достигается ценой замедления на простых запросах.
Наши материалы: ИИ в юриспруденции: агентная архитектура и графы против галлюцинаций (14 июля).